notas.txt

py -m pip install pyautogui

Passo a Passo para QUALQUER ciencia de dados:

#Passo 1: Etendimento do Desafio
(eficacia de solucao significa mt dependendodo desafio, eg 95% remedio)

#Passo 2: Entendimento da Área/Empresa

#Passo 3: Extração/Obtenação de Dados

#Passo 4: Ajuste de Dados (Tratamento/Limpeza)

#Passo 5: Analise Explanatoria
(explorar as informacoes para ver como elas estao se comportando)
(correlação, numero que vai de -1 a 1, diz o tao relacionado que ta uma coisa, proporcional)

#Passo 6: Modelagem + Algoritimos (Aqui que entra a inteligencia artificial se necessário)

#Passo 7: Interpretação de resultados


tabela.corr() mostra a correlação entre colunas, quanto maior a correlacao maior a venda

seaborn as sns e matplotlib.pyplot as plt sao para fazer graficos

seaborn cria e matplotlib mostra

plt.show() exibe grafico

sns.heatmap(tabela.corr()) mostra mapa de calor da coerencia da tabela

sns.heatmap(tabela.corr(), cmap = "Blues") muda a cor do grafico para azuis

sns.heatmap(tabela.corr(), annot = True) mostra os numeros

dado y = de quem vc quer fazer uma previsao, nesse caso de venda

dado x = o resto, as colunas que vc vai usar pra achar o y

lista de colunas fica entre duas quotetes [[]]

dividir dados entre dados de treino e prova para a maquina aprender

from sklearn.model_selection import train_test_split serve para fazer essa separação de dados

x_treino, x_teste, y_treino, y_teste = train_test_split(x, y)

qaunto menos linhas o algoritimo tiver, menos ele vai aprender, a maioria dos dados fica em treino (70% treino, 30% teste)

x_treino, x_teste, y_treino, y_teste = train_test_split(x, y, test_size = 0.3) altera o tamanho

existem dezenas de modelos de aprendigazem de inteligencia artificial

modelo_arvoredecisao = RandomForestRegressor() cria a inteligenciam artificial
modelo_arvoredecisao = RandomForestRegressor()

regressao linear (from sklearn.linear_model import LinearRegression): linear regression line

RandomForest(Árvore de Decisão) (from sklearn.ensemble import RandomForestRegressor): Vai fazendo perguntas (tipo se eh maior que 10) eliminando opcoes 

modelo_regressaolinear.fit(x_treino, y_treino) treina a inteligencia artifical com o x e y de treino
modelo_arvoredecisao.fit(x_treino, y_treino)

modelo_arvoredecisao.predict(x_teste) predict o valor de x

from sklearn.metrics import r2_score calcula o r2 que predicts a % de acerto

previsao_arvoredecisao(r2_score(y_teste, previsao_regressaolinear)) mostra a porcentagem de acerto

tabela_auxiliar = pd.DataFrame() cria uma tabela do 0

sns.lineplot(data=tabela_auxiliar) cria um grafico linear